基于计算机视觉的水稻叶绿素含量测定
发布时间：2021-04-15 14:47
叶绿素含量影响植物的各种生理机能,准确测定水稻叶绿素含量有利于了解水稻的光合作用能力,为高产育种和栽培提供依据。叶绿素含量的测定方法有多种,传统测定方法步骤繁琐且耗时费力,而便携式叶绿素仪只能进行点测定。计算机视觉是一种快速便捷的图像处理技术,可以用于作物的色素含量测定和营养状况诊断。为此,设计了一种基于计算机视觉的水稻叶绿素含量测定方法,叶片图像通过扫描获得,经过处理并提取叶片轮廓后以G-R、B-R和R/（G+B）等3个颜色特征参数建立叶绿素含量的估算模型。结果表明:以G-R和R/（G+B）建立的模型精度较高,对检验样本SPAD值拟合方程的决定系数和斜率都接近1,可以用来准确测定水稻的叶绿素含量。
【文章来源】：农机化研究. 2020,42(04)北大核心
【文章页数】：4 页
【部分图文】：
水稻叶片的原始图像
目标为绿色夹杂少量黄色，背景完全为白色，二者之间的区别明显。图像中没有其它颜色干扰对目标的识别，也不存在畸变，因此无需对图像的色彩做特殊处理。水稻叶中原始图像如图1所示。图像中的识别目标与背景颜色之间差异明显，可以基于ＲGB色彩模型对图像进行分析。水稻叶片的基本颜色为绿色，因此在ＲGB色彩空间中G分量的特征峰值最为显著，以G分量作为颜色参数可以得到准确的目标识别结果。基于G分量对图像做灰度化处理后，图像黑白效果更加明显，颜色差异也得到增强，有利于对目标区域的提龋水稻叶片灰度化图像如图2所示。图1水稻叶片的原始图像Fig．1Originalimageofriceleaves图2水稻叶片的灰度化图像Fig．2Grayimageofriceleaves灰度化图像经过HIS加权的二值化处理，可以消除小块阴影和微弱噪音，然后根据水稻叶片的颜色特征将其从背景中分离出来。图像分割是利用颜色或亮度特征识别目标的关键步骤，一般需要根据目标特征选择合适的分割方法。阈值分割法的模型简单，运行速度较快，被用于本文的目标识别。阈值是通过分析直方图获得的，合适的阈值对图像分割效果有着重要影响。水稻叶片的颜色特征可以通过亮度来反映，因此在ＲGB色彩空间中分析灰度化图像G分量的直方图，获得目标特征的阈值，然后依照最大阈值分割图像。分割获得的图像中背景表示为白色，水稻叶片表示为黑色，如图3所示。·422·2020年4月农机化研究第4期
图3水稻叶片的分割图像Fig．3Segmentedimageofriceleaves3颜色特征参数选择和模型构建参考之前的研究，本文选择G－Ｒ、B－Ｒ和Ｒ/(G+B)等3个颜色特征参数。其中，Ｒ、G、B分别表示在ＲGB色彩空间中彩色图像红、绿、蓝3种基本颜色的亮度值。通过改变三基色的相对数量，可以混合出其它的各种颜色。针对单个叶片，上述值表示该叶片图像区域中所有像素点的均值。取20个水稻叶片，在每个叶片上均匀选择5个点，用叶绿素仪测定SPAD值，以5个点的平均数作为该叶片叶绿素相对含量的实际值;然后，用计算机视觉提取各个叶片的颜色特征参数，分析特征参数与SPAD值的相关性。随机选取10个样本组成建模集，用于构建预测模型;剩余的10个样本组成检验集，用于检验估算的精度。SPAD值的颜色特征参数估算模型通过SPSS软件中的一元线性回归建立，然后在ENVI环境中反演检验样本的SPAD值。特征参数与SPAD值的相关性及模型对检验样本的估算精度以拟合方程的决定系数Ｒ2衡量，Ｒ2值越大，代表相关性和估算精度越高。4结果与分析建模样本的3个颜色特征参数与SPAD值回归分析结果如图4所示。由图4可知:所有颜色特征参数的回归方程都达到了显著水平，表明这3个参数都可以用来估算SPAD值;3个参数中基于G－Ｒ和Ｒ/(G+B)建立的模型精度较高，建模决定系数Ｒ2分别为0．840和0．884，可以用于检验样本SPAD实测值和估算值的拟合分析。图4颜色特征参数与水稻叶片SPAD值的相关性Fig．4ThecorrelationbetweencolorcharacteristicindexesandriceleafSPADvalue分别用基于G－Ｒ和Ｒ/(G+B)建立的模型对10个检验样本的SPAD实测值和估算值进行拟合分析，拟合方程的决定系数Ｒ2和斜率越接近1，表明模型的精度越高。分析结果如图5所示。
【参考文献】：
期刊论文
[1]基于无人机成像光谱仪数据的棉花叶绿素含量反演[J]. 田明璐,班松涛,常庆瑞,马文君,殷紫,王力. 农业机械学报. 2016(11)
[2]采用灰板校正的计算机视觉预测棉花叶绿素含量[J]. 王娟,危常州,王肖娟,朱齐超,朱金龙,王金鑫. 农业工程学报. 2013(24)
[3]计算机视觉视域中水稻叶片叶绿素含量的数学建模[J]. 陈诚,廖桂平,史晓慧,李锦卫. 湖南农业大学学报(自然科学版). 2011(05)
[4]锦橙叶片叶绿素含量诊断模型—基于数字图像分析技术[J]. 易时来,邓烈,何绍兰,郑永强,王亮,赵旭阳,牛廷香. 农机化研究. 2011(04)
[5]机器视觉技术在大豆叶片叶绿素含量测算上的应用[J]. 费丽君,谭峰. 农机化研究. 2010(03)
[6]水稻上部叶片叶绿素含量的高光谱估算模型[J]. 杨杰,田永超,姚霞,曹卫星,张玉森,朱艳. 生态学报. 2009(12)
[7]基于计算机视觉技术的番茄叶片叶绿素含量的检测[J]. 柴阿丽,李宝聚,王倩,石延霞,黄海洋. 园艺学报. 2009(01)
[8]计算机视觉技术在辣椒红色素测定中的应用[J]. 张甫生,庞杰,王雅立. 辣椒杂志. 2005(04)
[9]基于计算机视觉技术的温室黄瓜叶片营养信息检测[J]. 张彦娥,李民赞,张喜杰,张建平,徐增辉. 农业工程学报. 2005(08)
[10]利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量[J]. 孙雪梅,周启发,何秋霞. 作物学报. 2005(07)
本文编号：3139540
【文章来源】：农机化研究. 2020,42(04)北大核心
【文章页数】：4 页
【部分图文】：
水稻叶片的原始图像
目标为绿色夹杂少量黄色，背景完全为白色，二者之间的区别明显。图像中没有其它颜色干扰对目标的识别，也不存在畸变，因此无需对图像的色彩做特殊处理。水稻叶中原始图像如图1所示。图像中的识别目标与背景颜色之间差异明显，可以基于ＲGB色彩模型对图像进行分析。水稻叶片的基本颜色为绿色，因此在ＲGB色彩空间中G分量的特征峰值最为显著，以G分量作为颜色参数可以得到准确的目标识别结果。基于G分量对图像做灰度化处理后，图像黑白效果更加明显，颜色差异也得到增强，有利于对目标区域的提龋水稻叶片灰度化图像如图2所示。图1水稻叶片的原始图像Fig．1Originalimageofriceleaves图2水稻叶片的灰度化图像Fig．2Grayimageofriceleaves灰度化图像经过HIS加权的二值化处理，可以消除小块阴影和微弱噪音，然后根据水稻叶片的颜色特征将其从背景中分离出来。图像分割是利用颜色或亮度特征识别目标的关键步骤，一般需要根据目标特征选择合适的分割方法。阈值分割法的模型简单，运行速度较快，被用于本文的目标识别。阈值是通过分析直方图获得的，合适的阈值对图像分割效果有着重要影响。水稻叶片的颜色特征可以通过亮度来反映，因此在ＲGB色彩空间中分析灰度化图像G分量的直方图，获得目标特征的阈值，然后依照最大阈值分割图像。分割获得的图像中背景表示为白色，水稻叶片表示为黑色，如图3所示。·422·2020年4月农机化研究第4期
图3水稻叶片的分割图像Fig．3Segmentedimageofriceleaves3颜色特征参数选择和模型构建参考之前的研究，本文选择G－Ｒ、B－Ｒ和Ｒ/(G+B)等3个颜色特征参数。其中，Ｒ、G、B分别表示在ＲGB色彩空间中彩色图像红、绿、蓝3种基本颜色的亮度值。通过改变三基色的相对数量，可以混合出其它的各种颜色。针对单个叶片，上述值表示该叶片图像区域中所有像素点的均值。取20个水稻叶片，在每个叶片上均匀选择5个点，用叶绿素仪测定SPAD值，以5个点的平均数作为该叶片叶绿素相对含量的实际值;然后，用计算机视觉提取各个叶片的颜色特征参数，分析特征参数与SPAD值的相关性。随机选取10个样本组成建模集，用于构建预测模型;剩余的10个样本组成检验集，用于检验估算的精度。SPAD值的颜色特征参数估算模型通过SPSS软件中的一元线性回归建立，然后在ENVI环境中反演检验样本的SPAD值。特征参数与SPAD值的相关性及模型对检验样本的估算精度以拟合方程的决定系数Ｒ2衡量，Ｒ2值越大，代表相关性和估算精度越高。4结果与分析建模样本的3个颜色特征参数与SPAD值回归分析结果如图4所示。由图4可知:所有颜色特征参数的回归方程都达到了显著水平，表明这3个参数都可以用来估算SPAD值;3个参数中基于G－Ｒ和Ｒ/(G+B)建立的模型精度较高，建模决定系数Ｒ2分别为0．840和0．884，可以用于检验样本SPAD实测值和估算值的拟合分析。图4颜色特征参数与水稻叶片SPAD值的相关性Fig．4ThecorrelationbetweencolorcharacteristicindexesandriceleafSPADvalue分别用基于G－Ｒ和Ｒ/(G+B)建立的模型对10个检验样本的SPAD实测值和估算值进行拟合分析，拟合方程的决定系数Ｒ2和斜率越接近1，表明模型的精度越高。分析结果如图5所示。
【参考文献】：
期刊论文
[1]基于无人机成像光谱仪数据的棉花叶绿素含量反演[J]. 田明璐,班松涛,常庆瑞,马文君,殷紫,王力. 农业机械学报. 2016(11)
[2]采用灰板校正的计算机视觉预测棉花叶绿素含量[J]. 王娟,危常州,王肖娟,朱齐超,朱金龙,王金鑫. 农业工程学报. 2013(24)
[3]计算机视觉视域中水稻叶片叶绿素含量的数学建模[J]. 陈诚,廖桂平,史晓慧,李锦卫. 湖南农业大学学报(自然科学版). 2011(05)
[4]锦橙叶片叶绿素含量诊断模型—基于数字图像分析技术[J]. 易时来,邓烈,何绍兰,郑永强,王亮,赵旭阳,牛廷香. 农机化研究. 2011(04)
[5]机器视觉技术在大豆叶片叶绿素含量测算上的应用[J]. 费丽君,谭峰. 农机化研究. 2010(03)
[6]水稻上部叶片叶绿素含量的高光谱估算模型[J]. 杨杰,田永超,姚霞,曹卫星,张玉森,朱艳. 生态学报. 2009(12)
[7]基于计算机视觉技术的番茄叶片叶绿素含量的检测[J]. 柴阿丽,李宝聚,王倩,石延霞,黄海洋. 园艺学报. 2009(01)
[8]计算机视觉技术在辣椒红色素测定中的应用[J]. 张甫生,庞杰,王雅立. 辣椒杂志. 2005(04)
[9]基于计算机视觉技术的温室黄瓜叶片营养信息检测[J]. 张彦娥,李民赞,张喜杰,张建平,徐增辉. 农业工程学报. 2005(08)
[10]利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量[J]. 孙雪梅,周启发,何秋霞. 作物学报. 2005(07)
本文编号：3139540
本文链接：https://www.wllwen.com/nykjlw/nzwlw/3139540.html
最近更新
教材专著
